[发明专利]电力监控图像异常检测方法和装置、电子设备及存储介质

说明书

本发明提供的电力监控图像异常检测方法和装置、电子设备及存储介质，该电力监控图像异常检测方法包括：利用预训练的空间CNN模型对电力监控图像的RGB特征进行分类；利用预训练的融合分类模型对所述电力监控图像的光流特征以及场景特征进行融合分类；融合RGB分类结果以及光流场景融合分类结果得到异常检测结果，其中，通过利用融合分类模型对光流特征以及场景特征进行融合分类，不仅增加场景识别效果，减少行为识别的误判次数，并有效提高了CNN对光流信息的学习能力，能识别人类行为，及时有效地进行异常问题报警。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种电力监控图像异常检测方法和装置。

背景技术

由于长期高压、大电流的工作环境，电力设备在运行过程中容易发生故障，导致电力系统瘫痪。如果电力设备出现异常而不能及时解决，可能会造成巨大的经济损失和社会影响。

随着电网向规模化、智能化方向发展，传统的人工监测电力设备的方法已经不能满足电力系统的需求。在传统意义上，监控只是实时传输监控屏幕。当遇到突如其来的异常情况(如运行环境中发生异常情况)时，大多数监测设备无法快速准确地识别出来，进而无法及时发出警告。

为解决上述技术问题，国内外许多专家学者对图像监控及其在电力领域的应用进行了大量的研究，并取得了一定的进展。但是，现阶段这些研究还存在一些不足之处，比如：电力设备运行环境中人员的存在可能会影响电力物联网设备的运行，但是大多数传统的视频监控不能识别人类行为，导致现有的图像监控不能及时有效地进行异常问题报警。

发明内容

针对现有技术中的问题，本发明提供一种电力监控图像异常检测方法、装置、电子设备以及计算机可读存储介质，能够至少部分地解决现有技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种电力监控图像异常检测方法，包括：

利用预训练的空间CNN模型对电力监控图像的RGB特征进行分类；

利用预训练的融合分类模型对所述电力监控图像的光流特征以及场景特征进行融合分类；

融合RGB分类结果以及光流场景融合分类结果得到异常检测结果。

进一步地，所述融合分类模型包括：时间CNN模型以及场景识别CNN模型；

所述时间CNN模型包括：输入层、H个神经网络层、H个单项乘法交叉层、全连接层以及输出层，每个所述神经网络层的后端均连接一单项乘法交叉连接层；

所述场景识别CNN模型包括：输入层、H个神经网络层、全连接层以及输出层；

所述场景识别CNN模型的输出层的输出连接至所述时间CNN模型的输出层的输入；所述场景识别CNN模型的第g个神经网络层的输出连接至所述时间CNN模型的第g个单项乘法交叉连接层的输入；

所述单项乘法交叉层用于对连接至其的神经网络层的输出进行单项乘法交叉运算。

进一步地，所述单项乘法交叉运算如下：

F[x,y]＝x×y+b

其中，表示第l个单项乘法交叉层的输出，即：时间CNN模型中第l+1个神经网络层的输入，表示时间CNN模型中第l个神经网络层的输出，表示场景识别CNN模型中第l个神经网络层的输出，表示时间CNN模型中第l个神经网络层的输入，表示场景识别CNN模型中第l个神经网络层的输入，⊙表示元素乘法；W_l为残差单元权重；F[x,y]表示时间CNN模型中学习的单向映射，b表示偏置。